今天到计算机学院讲了下自己的生物信息工作计划以求合作，经过刘娟老师几句点拨，获得极大启发！

灵感记录如下：

表观遗传marker和剪接蛋白如何建立network调控可变剪接事件发生—正如miRNA与转录因子形成各种正向负向反馈网络

关键就是复杂网络建模++机器学习建立分类器进行denovo预测

1* Prof.Liu极为兴趣的Network Controllability

我再次仔细研读最近nature上发表的“Controllability of Complex Network”的文章

从题目就能看出讲的是复杂网络的可控性，该文结合了自动化控制论的思想和复杂网络的研究，开辟了一种帮助我们进一步理解complex system的新方法。

当时只是感性上觉得这篇文章很有用，会推进将来各种复杂网络的理论研究；但由于暂时我还没有看到相关的生物学研究出现，对于其是否将产生比较重大的影响或应用意义，我还有一些观望心态。

    但在Science上看到了一篇关于这篇文章的一篇评论（http://www.sciencemag.org/content/332/6031/777.full）， 我不禁感觉这条路前面的灯亮了

丹麦科技大学的生物学家Rune Linding认为这篇文章的算法可用于解读细胞内生化相互作用网络，如可以作为研究控制激酶磷酸化网络的框架。另外此项研究还可用于控制生物机器人，如控制虫新杆状线虫的297个神经细胞中的49个来对这个生物机器人实现必要的控制。

     另外这篇文章将泰斗级控制论专家Jean-Jacques Slotine和网络领军人物之一Barabás联合在一起，十分给力这条路的后续发展。

（网络的可控性研究，可追溯Nature 410, 268-276 (8 March 2001) | :10.1038/35065725

review articleExploring complex networks Steven H. Strogatz ）被引千遍以上

物理学和计算学的理论和各种优化也如雨后春笋般涌现...

尽管如此,还是有更多未开垦的处女地可挖呀---尤其在生物医药领域的应用

绝对是大势所趋的！

例如2011重大研究计划项目 >非可控性炎症恶性转化的调控网络及其分子机制

　　1．非可控性炎症恶性转化的分子机制

　　围绕非可控性炎症恶性转化的复杂的动态调控网络，构建模拟临床疾病的系统实验研究体系，发现并确认非可控性炎症恶性转化的诱因，阐明非可控性炎症向肿瘤转化的分子机制。

　　2．非可控性炎症恶性转化的调控网络与关键节点

　　从非可控性炎症恶性转化的调控网络特征出发，整合运用各种组学和生物信息学方法，实时监测各参数的动力学过程，分析动态网络调控的分子事件，发现网络调控系统关键节点及其在非可控性炎症向肿瘤转化过程中的结构定位与功能，阐明关键节点的网络动力学多维调控规律。

　　3．炎症向肿瘤转化调控网络研究的新方法

　　构建基于临床病理进程的非可控性炎症调控网络，是研究炎症与肿瘤之间关系的关键和基础之一。特别关注生物体的复杂性、生命过程的非线性动力学特征、生物系统的反馈、冗余和结构稳定以及分子相互作用的随机过程等特性，同时需要从控制论的角度出发，关注炎症与肿瘤动态网络中的可调性与鲁棒性（robustness）之间的辩证关系。

回到文章解剖>>>

    复杂系统涉及多个组分（如基因调控过程中的基因、蛋白质等分子，或者社交网络中的人物账号等）和这些组分之间的关系。一般的建模方法，如常微分方程等，由于受限于计算能力或者是建模对象本身的模糊性，已经不能对这种大规模的复杂系统进行建模。而复杂网络是对复杂系统建模的一种有效的方法。

复杂网络的节点表示的是复杂系统中的多个组分的某种量化性质，如基因调控网络中基因的激活/抑制状态、社交网络中账号的状态等；复杂网络的变表示节点之间的某种联系或者是共享某种信息，如基因网络中A——〉B表示基因A的产物会促进基因B的表达、社交网络中C——〉D表示账号D的动态会和账号C共享。

    复杂系统的最终目标是希望能对它们进行控制。如基因药物的靶标选取问题，选择哪个基因（基因调控网络中的节点即the set of driver nodes）作为药物的靶标，能使得整个生物系统 达到一个我们期望的状态呢？

还有社交网络中，我们选取那个节点作为信息的发布点对整个社交网络产生我们想要的宣传效果呢？这些都可以抽象为如何对一个表示 状态的复杂网络进行有效地控制，从而使得整个网络进入我们期望的状态。

    最开始的出发点是研究复杂有向网络的可控性。众所周知，我们若是能对整个网络中的每一个节点输入一个控制信号，那么整个网络是可控的。但是对于一个大规模的复杂系统，这是很难实现的。

因此作者希望能找到最少的控制节点（文章中称为驱动节点，driver nodes）来有效地控制整个网络。

采用的是比较古老的“最大匹配”方法（这是基于将整个网络看成一个线性系统的）寻找最小的驱动节点数ND。并将这种方法用于几个基于对象建模的真实网络和一群ER随机网络以及一群度分布和真实网络相同的随机网络，通过比较impact of network structure 得到的最小驱动节点数，

作者发现最新驱动节点数主要是由于网络的度分布性质确定的。接着作者根据这一发现以及cavity method推导出了一组自稳定的方程组，度分布为自变量，最小驱动节点数为所求的结果。

    这篇文章有两个研究成果刘老师提到，经过思考 确实是那么一回事

一是复杂网络中的驱动节点一般不是网络的hub；在生物学中 癌症细胞最显著差异表达的miRNA总会被最先筛选出来进行实验验证，但是否都是可验证并具有效果的…………？hub is not driver

二是稀疏的异质网络是最难控制的而致密的同质网络是比较容易控制的。

这篇文章的研究还发现我们本以为难以控制的具有个体独立性的网络相比于其他的网络模型，如基因调控网络等，却是相对比较容易控制的。

    nature文章成果无疑是显著的，但是如何将文中的理论用于实际，如何将研究框架扩展到生物乃至癌症诊断和医药靶标。这仍是有待我们的尝试

引一句>想法都是好的 , --可实现的想法才是有价值的@@

PS：作者美国西北大学网络研究中心Albert-László Barabasi教授堪称无向网络和复杂网络的鼻祖

Barabasi Lab连接 http://nd.edu/~alb/

转载本文请联系原作者获取授权，同时请注明本文来自黄捷科学网博客。
链接地址：https://blog.sciencenet.cn/blog-260809-509070.html

上一篇：生物信息学视角 解说Faculty of 1000 序(2)
下一篇：【comments】交叉学科盛行时代生物信息人的职业发展规划